Performance comparison of U-Net and LinkNet with different encoders for reforestation detection

Abstract

The subject of study is analysis of performance of artificial intelligence systems with different architectures for reforestation detection. The goal is to implement, train and evaluate system with different models for deforestation and reforestation detection. The tasks are to study problems and potential solutions in forestry for reforestation detection and present own solution. As part of model comparison, results are presented for different artificial neural network architectures with different encoders. For training and testing purpose custom dataset was created, which includes different areas of territory of Ukraine within different timestamps. Main research methods are literature analysis, experiment and case study. As a result of analysis of modern artificial intelligence methods, machine learning, deep learning and convolutional neural networks, high-precision algorithms U-Net and LinkNet were chosen for system implementation. Conclusions. The studied problem was stated formally and broken down in smaller steps; possible solutions were studied and proposed solution was described in details. Necessary mathematical background for analysis of the performance was provided. As part of the development, accurate deforestation/reforestation module was created. All analysis results were listed and a comparison of the studied algorithms was presented.

Предметом дослідження є аналіз продуктивності штучних інтелектуальних систем з різною архітектурою для визначення відновлення рослинності. Метою дослідження є реалізація, навчання та перевірка працездатності системи з різними моделями для визначення знищення та відновлення рослинного покрову. Завданнями роботи є вивчення можливих шляхів вирішення задачі визначення відновлення зеленого покрову, а також представити власне рішення. Як частина порівняння моделей, представленні результати семантичної сегментації поверхні для різноманітних штучних нейронних мереж із різною архітектурою та з різними шифраторами. Для навчання та тестування було розроблено власний набір даних, котрий включає різні ділянки території України, котрі були отримані за різні дати. Основними методами дослідження є аналіз літератури, експеримент та тематичні дослідження. Під час аналізу різних сучасних методів штучного інтелекту, машинного навчання, глибокого навчання та згорткових нейронних мереж були обрані високоточні алгоритми U-Net та LinkNet для реалізації системи. Висновки. Досліджена проблема була формально визначена та розбита на менші кроки: можливі шляхи вирішення проблеми були дослідженні, а також представлення рішення було описано в деталях. Було висвітлено необхідні математичні аспекти для аналізу працездатності. Під час розробки було створено точний модуль для визначення знищення/відновлення рослинності. Було надано усі результати досліджень та порівняльна характеристика досліджених алгоритмів.